論文の概要: Early Prediction of Pathological Complete Response to Neoadjuvant Chemotherapy Using Temporal Deep Learning on DWI

• arxiv url: http://arxiv.org/abs/2609.26106v1
• Date: Tue, 18 Aug 2026 12:08:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.879524
• Title: Early Prediction of Pathological Complete Response to Neoadjuvant Chemotherapy Using Temporal Deep Learning on DWI
• Title（参考訳）: DWIを用いた経時的深層学習によるネオアジュバント化学療法に対する病態完全反応の早期予測
• Abstract要約: 新アジュバント化学療法に対する非反応因子の早期同定は乳癌のタイムリーな治療適応に不可欠である。 本研究は, 拡散強調MRI(DW-MRI)のみをベースラインおよび1次NATサイクル後に取得し, 病的完全反応(pCR)を早期に予測するためのディープラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.7588690078299699
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Early identification of non-responders to neoadjuvant chemotherapy (NACT) is crucial for timely treatment adaptation in breast cancer. However, many existing predictive models rely on multiparametric magnetic resonance imaging (MRI), late treatment time points, or extensive clinical data, which limits their applicability. This study proposes a deep learning framework for early prediction of pathological complete response (pCR) using only diffusion-weighted MRI (DW-MRI) acquired at baseline and after the first NACT cycle. This framework feeds cropped tumor-centered patches to an EfficientNet-based temporal model that directly learns tumor shape and local tissue characteristics without explicit radiomic feature engineering. The model, trained with 10-fold cross-validation, achieved an area under the receiver operating characteristic curve (AUC) of 0.90 for pCR prediction after one cycle, providing actionable information after a single treatment cycle while avoiding gadolinium administration and reducing dependence on heterogeneous clinical data. By focusing on the baseline-to-first-cycle window instead of later stages, the approach supports earlier escalation or de-escalation of NACT, and its exclusive reliance on DW-MRI facilitates protocol standardization, multi-centre deployment and privacy-preserving data sharing. These results demonstrate that DW-MRI-based deep learning on tumor-centered patches constitutes a minimally invasive, clinically deployable strategy for early pCR prediction, with direct implications for personalized treatment adaptation in neoadjuvant breast cancer therapy.
• Abstract（参考訳）: 新アジュバント化学療法(NACT)に対する非反応因子の早期同定は乳癌のタイムリーな治療適応に不可欠である。 しかし、既存の多くの予測モデルは、マルチパラメトリック磁気共鳴イメージング(MRI)、遅延治療時間ポイント、あるいは広範な臨床データに依存しており、適用性は制限されている。 本研究は, 拡散強調MRI(DW-MRI)のみをベースラインおよび1次NATサイクル後に取得し, 病的完全反応(pCR)を早期に予測するためのディープラーニングフレームワークを提案する。 このフレームワークは、収穫した腫瘍中心パッチをEfficientNetベースの時間モデルに供給し、腫瘍の形状や組織の特徴を直接学習する。 10倍のクロスバリデーションでトレーニングしたこのモデルは、1サイクル後のpCR予測において、受信機動作特性曲線(AUC)0.90の領域を達成し、ガドリニウム投与を回避し、異種臨床データへの依存を減らすとともに、単一の治療サイクル後に実行可能な情報を提供した。 後者のステージではなく、ベースラインからファーストサイクルのウィンドウにフォーカスすることで、NACTの早期エスカレーションやデエスカレーションをサポートし、DW-MRIへの排他的依存は、プロトコルの標準化、マルチ中心デプロイメント、プライバシ保護データ共有を促進する。 以上の結果から,腫瘍中心のパッチに対するDW-MRIによる深層学習は早期pCR予測の最小侵襲的,臨床的に展開可能な戦略であり,新アジュバント乳癌治療におけるパーソナライズされた治療適応に直接的な意味があることが示唆された。

関連論文リスト

• ClinRAG-GRAPH: Clinical-prior Retrieval-Augmented Graph Model with Domain Adversarial Learning for Breast pCR Prediction [27.661246388005384]
  ClinRAG-GRAPHは,pCR(pre-treatment pathological complete response)予測のためのフレームワークである。 ClinRAG-GRAPHは、患者内臨床・プライアグラフを構築し、構造化マルチモーダル表現学習のための事前ガイダンス付き関係対応グラフ畳み込みネットワークを適用した。 ClinRAG-GRAPHは内部テストセットで0.815、外部テストセットで0.774/0.712のAUCを達成し、センター全体で堅牢なpCR予測を実証している。
  論文  参考訳（メタデータ） (2026-07-01T11:28:01Z)
• Pre to Post-Treatment Glioblastoma MRI Prediction using a Latent Diffusion Model [35.86812994963753]
  本稿では, 術前MRIと腫瘍の局在から, 結合型条件付き潜時拡散モデルを提案する。 本モデルは,Central Franccois Baclesseで収集した140名のGBM患者からなる局所的データセットを用いて訓練および試験を行った。
  論文  参考訳（メタデータ） (2025-10-13T20:32:06Z)
• Non-Invasive Detection of PROState Cancer with Novel Time-Dependent Diffusion MRI and AI-Enhanced Quantitative Radiological Interpretation: PROS-TD-AI [8.633068910265349]
  前立腺癌(PCa)は、男性で最も頻繁に診断される悪性腫瘍であり、世界で8番目に多いがん死の原因である。 組織を特徴づける新しい配列である時間依存性拡散(TDD)MRIでは、臨床的に有意なPCaと区別する上で、前臨床効果が促進されている。 本研究プロトコルは,自家製のAI強化型TDD-MRIソフトウェア(PROSTDAI)の診断における将来的評価を概説する。
  論文  参考訳（メタデータ） (2025-09-29T03:12:02Z)
• Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
  ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。 ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。 本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
  論文  参考訳（メタデータ） (2024-05-13T15:40:56Z)
• To deform or not: treatment-aware longitudinal registration for breast DCE-MRI during neoadjuvant chemotherapy via unsupervised keypoints detection [17.558057515826793]
  教師なしキーポイント検出と選択ボリューム保存に基づく条件付きピラミッド登録ネットワークを提案し,時間とともに変化を定量化する。 本稿では,DCE-MRIから構造キーポイントと異常キーポイントを抽出し,登録アルゴリズムの構造キーポイントを大変形に適用し,異常キーポイントに基づくボリューム保存損失を用いて,登録後の腫瘍の体積を一定に保つ。
  論文  参考訳（メタデータ） (2024-01-17T16:58:10Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Enhancing Clinical Support for Breast Cancer with Deep Learning Models using Synthetic Correlated Diffusion Imaging [66.63200823918429]
  深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。 我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。 提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
  論文  参考訳（メタデータ） (2022-11-10T03:02:12Z)
• PD-DWI: Predicting response to neoadjuvant chemotherapy in invasive breast cancer with Physiologically-Decomposed Diffusion-Weighted MRI machine-learning model [0.0]
  DWIと臨床データからpCRを予測するための生理学的に分解されたDWI機械学習モデルPD-DWIを紹介する。 我々のモデルは、現在のリーダーボードの最良の結果と比較して、曲線下(AUC)の面積を大幅に改善します。
  論文  参考訳（メタデータ） (2022-06-12T08:59:49Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。